虚拟装配是当前虚拟制造的关键技术之一,通过装配面的准确测量和计算机辅助实现虚拟装配,而基于点云的装配面测量与三维重建技术是一种有效的手段。由于装配面上的螺纹孔和台阶面等重要特征,是表示三维模型的关键细节,同样也是反应实际装配面的关键特征,因此针对装配面点云特征增强方法的研究具有一定的实用价值。针对传统点云处理方法难以保护装配面尖锐特征点的问题,本文从去噪和精简两方面对装配面的点云特征进行增强,在保证装配面细节特征保持度的同时,获得高质量的重建效果,提高装配效率。本文的主要工作如下:针对传统去噪算法在处理含噪点云的模型时,存在着噪声点无法完全消除、过度去噪和去噪效果过于光顺等问题的出现,本文研究了一种装配面点云特征增强的去噪算法,根据装配面点云数据的特征将噪声分为两类噪声,首先利用空间栅格法将点云数据网格化,使用K领域搜索的方法从装配面点云数据中筛选出第一类噪声点,并运用采样点邻域点数统计法将第一类噪声点去除;采用改进的双边滤波法对第二类噪声点进行去噪。并且之后进行了点云重采样,经过重采样的点云在有效保持尖锐特征基础上消除点云数据中缺陷带来的噪声干扰。针对传统精简算法点云模型处理时,造成的特征数据大量丢失、点云模型孔洞、巨额时间被消耗和计算机的资源被过度开销等问题,本文研究了一种装配面点云特征增强的精简算法,运用的点云精简理论主要是利用了信息熵混合采样法,对于点云特征数据点的提取和保留利用了局部信息熵来实现,然后再利用K-Means聚类法对装配面点云数据进行细分类,根据不同点云数据的曲率的大小来判断特征与非特征区域,这样就可避免因为特征点提取而导致点云数据产生孔洞的现象。最后通过与不同经典算法的对比分析表明,本文中的去噪算法可以在达到预期去噪效果的同时,增高装配面特征的保持度,并且还能够有效避免传统去噪算法在去噪后产生的过度光顺现象,本文中的精简算法能够较好在特征区域保留较多的点云数据,对非特征区域适当精简,有效地避免了孔洞现象的出现,尽可能的保留了原始装配面点云数据的几何特征,点云精简效果良好。